爆详细Ubuntu18.04,CUDA9.0,OpenCV3.1,Tensorflow完全配置指南

2018.7.12更新

最新基于CUDA9.0,cudnn7,和tensorflow1.8
在ubuntu18.04上面的GCC版本是7.3,还是太高了. 我们这里简化了GCC降级的方法. 把GCC降级到了GCC5.5

学习了理论很久了，要折腾实践的东西，那么自然绕不过一些主流的框架，其实那些框架本身是不难安装的，但是一旦涉及到GPU（用于加速），就开始变得麻烦重重，说麻烦也不麻烦，但是真的在第一次安装框架的时候，每一个人都是新人，各种坑。网上全面详细适合新手的教程很少很少，所以在自己安装好的情况下，写一篇详细齐全的希望新手少走弯路。
用的都是最新的，怕用旧的很快就过时了。新的比起旧的其实还更好装一点。下面开始正式讲一下。

安装一些依赖项。
这里安装的依赖项是为后面的安装做准备的，反正是要安装的（当然后面还有一些要安装），这里一行一行复制到你的命令行执行就行。

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install –no-install-recommends libboost-all-dev
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

要是上面的安装出现了一些问题，随时sudo apt-get update.你知道我在说什么。
说到这里，Ubuntu部分就介绍完了。

二.Anaconda

Anaconda下载
之所以还是下回来Anaconda,还是因为它的方便.你可以方便的安装，也可以方便的卸载. 进官网选择你电脑对应的版本下载下来就是了。 下载下来得到相应的一个.sh文件。直接用bash命令来运行就行.如下图。

然后一路根据提示安装就行。 到最后，会有一个提示，问你是不是想要把Anaconda的python作为默认的python,这里建议选择是。如下图

也就意味着，之后要是安装什么东西需要python的路径的时候，你需要使用这个新的路径.

CUDA 9.0

步骤一：熟悉显卡信息和下载CUDA9.0安装包

相比起安装那些框架，我想有很多人是在这里牺牲的吧…很多人都是摸索了很久，出现了很多问题。
首先是准备工作：
1.自己的显卡需要什么驱动：
http://www.nvidia.com/Download/index.aspx?lang=en-us 进去自己按照自己的具体配置测试一下。

比如这里我自己的是要384的驱动。

2.下载CUDA9.0:
https://developer.nvidia.com/cuda-downloads
大概是下面这个样子，按照自己的平台来选,然后下载那个.run文件就行。

注意，这里有几个包，都下下来。准备工作已经做完，这时候，你已经知道了你需要的驱动信息并且下载了几个cuda的run文件。

步骤二：安装显卡驱动

接下来就是自己安装显卡驱动了，没错是自己安装，cuda的安装包里面也提供驱动的安装功能，但是，尽量自己安装。（显卡驱动和CUDA不是同一个概念啊，别搞混了）

1.卸载你电脑中此刻有的nvidia的驱动。（复制命令就行，方便，后面也一样）

sudo apt-get remove –purge nvidia*

运行了这个命令之后，你系统中的NVIDIA、的一些驱动就应该被卸载了。

2.添加一个PPA到系统，等一下安装驱动要用的。复制下面的话命令就行（放在这里是因为你现在还在图形界面，复制方便）

sudo add-apt-repository ppa:graphics-drivers/ppa

复制完上面那个命令执行之后，千万记得sudo apt-get update

3.上面的准备工作做完，按CTRL+ATL+F1进入终端1（很基础的东西不用我解释啦），这个时候你应该就脱离图形界面进入字符界面了（需要重新登录一次就登陆一次。），要是这个时候你看不到教程，还是推荐用手机或者平板或者其他的边看教程边操作。
在终端下面运行：

sudo service lightdm stop

然后运行：

sudo apt-get install nvidia-384（我前面说过我的驱动是384，就写384，你的是什么就写什么）

然后就等待驱动安装好。。。。。
安装好之后，运行sudo service lightdm start来启动图形界面，并且登录。然后，你这个时候应该又回到图形界面了。
这时候你可以运行：nvidia-smi来看是不是能够输出你的GPU的一些信息。要是不能够输出的话，重启。能够输出的话，也建议重启一次。

4.降级GCC
重启之后了，接下来的工作也都能够在图形界面下面完成。驱动安装好之后，就应该安装CUDA了，但是安装CUDA9.0最高支持的版本只到GCC6.0，那么接下来的工作是给GCC降级，我们这里推荐降级到GCC5.5.　很简单，依次输入两行命令就行了。(这两个命令就是分别来安装gcc和g++就不用我啰嗦了)

sudo apt install gcc-5
sudo apt install g++-5

然后试着查看一下版本，发现还是默认的gcc 7.3,这是因为没有修改软连接，修改一下就行了。
进入到/usr/bin目录下, 运行一下ls -l gcc*，可以看到gcc是指向gcc-7的，

那么我们把它链接到gcc-5就行了，运行下面的命令：

sudo mv gcc gcc.bak #备份
sudo ln -s gcc-5 gcc #重新链接gcc

sudo mv g++ g++.bak #备份
sudo ln -s g++-5 g++　#重新链接g++

这个时候可以再看一下gcc和g++的版本，已经都变成了5.5．

5.安装CUDA
降到5.5之后，可以直接来安装了cuda了，进到你下载好的cuda-9.0的run文件目录，运行

sudo sh cuda_9.0.176_384.81_linux.run

注意：

• 执行后会有一些提示让你确认，在第３个提示的地方，有个让你选择是否安装驱动时（Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81?），选择否：因为前面我们已经安装了新的驱动，所以这里不要选择安装。

• 其余的都直接默认或者选择是即可。

然后安装的时候会比你预想的要快很多。。。安装成功之后，会出来类似于下面形式的提示：

然后继续把接下来的几个补丁也安装上,安装路径使用默认的路径就行了.

sudo sh cuda_9.0.176.1_linux.run
sudo sh cuda_9.0.176.2_linux.run
sudo sh cuda_9.0.176.3_linux.run

到这里，你已经安装成功CUDA了，最后，还要多配置一下环境变量：
sudo vim ~/.bashrc 来编辑.bashrc配置文件，到文件最后，写入下面几句话（直接复制就行）

export  PATH=/usr/local/cuda-9.0/bin:$PATH
export  LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64$LD_LIBRARY_PATH

好了，重启一下。
现在你已经重启了机子了，要是没有出现很多人遇到的在登录界面进不去的情况的话，就恭喜你了。来个自带的例子测一下。

cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

出现了下面的你的GPU的一些信息的话，就是真的安装成功了。

到这里，CUDA就安装成功了，其实不算是很难，注意一些情况就行了。

cuDNN

cuDNN深度学习加速的一些库。
网址：https://developer.nvidia.com/rdp/cudnn-download
可能要自己注册一下，之后下载其中的cuDNN v5.1 Library for Linux，下图中的第三个就是了。

下载的时候发现是一个压缩包，下完之后解压
解压出来是一个cuda文件夹，进去有两个文件夹，如下图

（提示：接下来的步骤命令直接复制就行，后面有讲解，复制方便一些）
下载完cudnn5.0之后进行解压，cd进入cudnn5.1解压之后的include目录，在命令行进行如下操作：

sudo cp cudnn.h /usr/local/cuda/include/ #复制头文件

再将cd进入lib64目录下的动态文件进行复制和链接：

sudo cp lib* /usr/local/cuda/lib64/ #复制动态链接库
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件
sudo ln -s libcudnn.so.5.1.5 libcudnn.so.5 #生成软衔接
sudo ln -s libcudnn.so.5 libcudnn.so #生成软链接

执行完之后，cuDNN算是安装完成了。

OpenCV3.1

首先肯定是先安装依赖了，官方列出了一些：

sudo apt-get install build-essential

sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

sudo apt-get install –assume-yes libopencv-dev libdc1394-22 libdc1394-22-dev libjpeg-dev libpng12-dev libtiff5-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev libxine2-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev libv4l-dev libtbb-dev libqt4-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev x264 v4l-utils unzip

sudo apt-get install ffmpeg libopencv-dev libgtk-3-dev python-numpy python3-numpy libdc1394-22 libdc1394-22-dev libjpeg-dev libpng12-dev libtiff5-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev libxine2-dev libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libv4l-dev libtbb-dev qtbase5-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev

反正不管了，全部都装上去。
在你喜欢的地方建立一个工作目录，随便什么名字，就在home目录下面建立了一个OpenCV的目录
mkdir OpenCV
进入这个工作目录（OpenCV）然后用git克隆官方的项目（下载接受会需要一点时间，等待）

cd Opencv
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git

克隆好了之后，你就会看见你的工作目录（OpenCV）下面有了两个项目的文件夹opencv了。
进入到你下载的那个opencv文件夹，这时候建立一个build的文件夹，用来接收cmake之后的文件。
cd build进入到build里面，运行这句命令（直接复制就行）：

cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..

这里要解释一下，后面是一个空格加上两个点，不要搞错了。
运行之后，下图表示cmake完成了。

这个时候的build下面也有了一些文件。你当然不用管这些是什么。
直接运行sudo make -j4，编译等待

make完成之后，再sudo make install就安装好了。
你能够在/usr/local中找到你新安装的opencv的一些头文件和库了。
这里要说明一下，要是中途出现了一些问题是与cuda有关的，打开opencv下面那个cmakelist文件把with_cuda设置为OFF，如下图，之后再cmake，再编译。

OK，OpenCV也到这里了。

五.TensorFlow

CPU版本和GPU版本之间选择一个就行。

最简单的方法

首先，我们前面已经配好了几乎所有的环境。我们这里采用官网这里最简单的方法来安装。
Installing with native pip
要是之前安装过tensorflow的，建议先卸载之前版本的tensorflow。

sudo pip uninstall tensorflow

卸载之后，直接用下面的命令来安装tensorflow

sudo pip install –upgrade –ignore-installed tensorflow-gpu

然后就安装好啦，运行下面的代码检验一下

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

正确输出Hello, TensorFlow!的话，就表示安装成功啦。